Sifat mendasar dari regresi efek-acak adalah bahwa estimasi intersep acak "menyusut" terhadap rata-rata keseluruhan respons sebagai fungsi dari varian relatif masing-masing estimasi.
Ini juga kasus dengan model campuran linier umum (GLMMs) seperti regresi logistik.
Bagaimana susut itu lebih baik daripada / berbeda dari regresi logistik efek-tetap dengan satu-panas-pengkodean variabel ID dan penyusutan melalui L2-regularisasi?
Dalam model efek-tetap, saya dapat mengontrol jumlah penyusutan dengan mengubah penalti saya, , dari regularisasi L2 sedangkan dalam model efek-acak saya tidak memiliki kontrol pada jumlah penyusutan. Apakah benar mengatakan "menggunakan model efek-acak jika tujuannya inferensi tetapi gunakan model efek-tetap jika tujuannya adalah prediksi"?
sumber